【人脸检测】FaceBoxes论文阅读与效果

Introduction

文章针对2个问题：

1)在杂乱背景下、人脸视角很大变化时，需要人脸检测器精准的解决复杂人脸和非人脸的分类问题。

2)图片上较大的搜索空间和人脸尺寸的增大，增加了时间效率的需要。

传统方法效率高（？）但人脸存在大的视角变化下精度不够，基于CNN的方法精度高但速度很慢。

受到Faster R-CNN的RPN以及SSD中多尺度机制的启发，便有了这篇可以在CPU上实时跑的FaceBoxes。

网络结构

可以看到，整个网络主要分为两大块，一边是Rapidly Digested Convolutional Layers（用来加速），一边是Multiple Scale Convolutional Layers（用来检测多尺度目标），就是这两个模块实现了FaceBoxes的“快”和“准”。

1.Rapidly Digested Convolutional Layers

1、采用合适的卷积与池化尺寸：Conv1 7x7，Conv2 5x5，Pool1 3x3 Pool2 3x3
2、采用大的滑动步长来加速降维，卷积1卷积2池化1的步长分别是1024x1024只需要两次卷积一次池化就到$1024/(4\ast 2\ast 2\ast 2)=32$了，缩小了32倍
3、减少卷积核深度，利用C.ReLU，使计算量减少的前提下，又能保证特征图维度不会太少
下面是C.ReLU的结构：

可以看到，在进行一次卷积与BN操作之后，C.ReLU把特征图的值都取反了一下，然后concat到一起再进行ReLU操作，这样的好处显而易见：减少了卷积操作但是又double了out channels，提高了训练与使用的速度

2.Mutiple Scale Convolutional Layers

1、深度维度的不同尺度下预测的网络构造：其实就是不同层的结果拿出来预测不同尺度的目标，主要是考虑了小物体在最后几层就没有响应了。对应图中的inception3,conv3_2,conv4_2
2、宽度维度的不同尺度下预测的网络构造：没看懂这里有什么创新，我感觉就是inception模块啊说是能增加感受野，下图

3.Anchor densification strategy

这里有点难以理解了，主要是作者觉得，大尺度的东西容易检测到，小尺度的东西占的anchor太少了，导致小物体检测的召回率降低。所以作者给小物体的anchor进行中心偏移“稠化”。随着层数的加深，特征图中的每个像素，在原图中代表的像素都会增加。比如inception3那层一个像素对应原图中是32x32,。也就是说越往后的层的特征越难以检测小物体，而且小物体的loss占的比重本来就是相对少，所以要针对小物体稠化候选框。作者给出的稠化策略是32x32的框变为四倍，64x64的框变为两倍，其他不变。方法如下图：
简单粗暴增加了候选框个数，而且全都是正方形的框（因为人脸框大多数情况下近似正方形）。这样的话，一个inception3后的每一个anchor里面就会有4x4（32的）+2x2（64的）+1x1（128的）=21个框。

训练

数据集：WIDER FACE
数据增广：1.色彩扭曲 2.随机裁剪 3.尺度缩放 4.随机翻转 5.人脸框过滤（小于20像素的）
代价函数：RPN还是用的Faster R-CNN的，分类用softmax，回归用smooth L1 loss
处理正负样本不均：按分数排序，保证正负比为1:3

运行结果

待更新